ما هو التعلم قليل اللقطات؟

يشير التعلم قليل اللقطات إلى مجموعة متنوعة من الخوارزميات والتقنيات المستخدمة لتطوير نموذج الذكاء الاصطناعي باستخدام كمية صغيرة جدًا من بيانات التدريب. يسعى التعلم قليل اللقطات إلى السماح لنموذج الذكاء الاصطناعي بالتعرف على البيانات الجديدة وتصنيفها بعد تعرضها لعدد قليل نسبيًا من حالات التدريب. يتناقض التدريب قليل اللقطات مع الأساليب التقليدية لتدريب نماذج التعلم الآلي، حيث يتم عادةً استخدام كمية كبيرة من بيانات التدريب. التعلم بالرصاص قليل تستخدم في المقام الأول في رؤية الكمبيوتر.

لتطوير حدس أفضل للتعلم قليل اللقطات ، دعنا نفحص المفهوم بمزيد من التفصيل. سنفحص الدوافع والمفاهيم الكامنة وراء التعلم قليل اللقطات ، ونستكشف بعض الأنواع المختلفة من التعلم قليل اللقطات ، ونغطي بعض النماذج المستخدمة في التعلم قليل اللقطات على مستوى عالٍ. أخيرًا ، سنقوم بفحص بعض التطبيقات للتعلم القليل اللقطات.

ما هو التعلم قليل اللقطات؟

يصف "التعلم بجرعات قليلة" ممارسة تدريب نموذج التعلم الآلي بأقل قدر ممكن من البيانات. عادةً ما يتم تدريب نماذج التعلم الآلي على كميات كبيرة من البيانات ، وكلما كان ذلك أفضل. ومع ذلك ، فإن التعلم قليل اللقطات هو مفهوم مهم للتعلم الآلي لعدة أسباب مختلفة.

أحد أسباب استخدام التعلم قليل اللقطات هو أنه يمكن أن يقلل بشكل كبير من كمية البيانات اللازمة لتدريب نموذج التعلم الآلي ، مما يقلل الوقت اللازم لتسمية مجموعات البيانات الكبيرة. وبالمثل ، يقلل التعلم بلقطات قليلة من الحاجة إلى إضافة ميزات محددة لمهام مختلفة عند استخدام مجموعة بيانات مشتركة لإنشاء عينات مختلفة. يمكن للتعلم بلقطات قليلة أن يجعل النماذج أكثر قوة وقدرة على التعرف على الكائنات استنادًا إلى بيانات أقل ، مما يؤدي إلى إنشاء نماذج أكثر عمومية بدلاً من النماذج عالية التخصص التي هي القاعدة.

يتم استخدام التعلم المحدود بشكل شائع في مجال رؤية الكمبيوتر، حيث تتطلب طبيعة مشكلات رؤية الكمبيوتر إما كميات كبيرة من البيانات أو نموذجًا مرنًا.

الفئات الفرعية

إن عبارة التعلم "بضع لقطات" هي في الواقع نوع واحد فقط من التعلم باستخدام عدد قليل جدًا من الأمثلة التدريبية. نظرًا لأنك تستخدم "عددًا قليلاً" من أمثلة التدريب ، فهناك فئات فرعية للتعلم القليل اللقطات التي تتضمن أيضًا تدريبًا مع قدر ضئيل من البيانات. التعلم "طلقة واحدة" هو نوع آخر من التدريب النموذجي الذي يتضمن تعليم نموذج للتعرف على كائن بعد رؤية صورة واحدة فقط لهذا الكائن. التكتيكات العامة المستخدمة في التعلم بلقطة واحدة والتعلم قليلًا هي نفسها. اعلم أنه يمكن استخدام مصطلح التعلم "بضع لقطات" كمصطلح شامل لوصف أي موقف يتم فيه تدريب النموذج باستخدام القليل جدًا من البيانات.

مناهج التعلم قليل اللقطات

يمكن أن تندرج معظم مناهج التعلم ذات اللقطات القليلة في واحدة من ثلاث فئات: مناهج مستوى البيانات ، ومقاربات مستوى المعلمات ، والنهج المستندة إلى المقاييس.

نهج مستوى البيانات

تعتبر مناهج مستوى البيانات للتعلم قليل اللقطات بسيطة للغاية من حيث المفهوم. لتدريب نموذج عندما لا يكون لديك بيانات تدريب كافية ، يمكنك فقط الحصول على المزيد من بيانات التدريب. هناك العديد من التقنيات التي يمكن لعالم البيانات استخدامها لزيادة كمية بيانات التدريب التي يمتلكها.

يمكن لبيانات التدريب المماثلة إجراء نسخ احتياطي للبيانات المستهدفة الدقيقة التي تقوم بتدريب المصنف عليها. على سبيل المثال ، إذا كنت تقوم بتدريب المصنف على التعرف على أنواع معينة من الكلاب ولكنك تفتقر إلى العديد من الصور للأنواع المعينة التي كنت تحاول تصنيفها ، فيمكنك تضمين العديد من صور الكلاب التي من شأنها أن تساعد المصنف في تحديد الميزات العامة التي يتكون منها الكلب .

يمكن لزيادة البيانات إنشاء المزيد من بيانات التدريب للمصنف. يتضمن هذا عادةً تطبيق تحويلات على بيانات التدريب الموجودة ، مثل تدوير الصور الموجودة بحيث يقوم المصنف بفحص الصور من زوايا مختلفة. يمكن أيضًا استخدام شبكات GAN لإنشاء أمثلة تدريبية جديدة بناءً على ما تعلموه من الأمثلة القليلة الموثوقة لبيانات التدريب التي لديك.

نهج مستوى المعلمة

ميتا التعلم

نهج واحد على مستوى المعلمات للتعلم قليل اللقطات يتضمن استخدام تقنية تسمى "التعلم ميتا". يتضمن التعلم التلوي تعليم نموذج كيف يتعلم الميزات المهمة في مهمة التعلم الآلي. يمكن تحقيق ذلك عن طريق إنشاء طريقة لتنظيم كيفية استكشاف مساحة المعلمة للنموذج.

يستخدم Meta-Learning نموذجين مختلفين: نموذج المعلم ونموذج الطالب. نموذج "المعلم" ونموذج "الطالب". يتعلم نموذج المعلم كيفية تغليف مساحة المعلمة ، بينما تتعلم خوارزمية الطالب كيفية التعرف على العناصر الفعلية في مجموعة البيانات وتصنيفها. لوضع ذلك بطريقة أخرى ، يتعلم نموذج المعلم كيفية تحسين النموذج ، بينما يتعلم نموذج الطالب كيفية التصنيف. تُستخدم مخرجات نموذج المعلم لتدريب نموذج الطالب ، وإظهار نموذج الطالب كيفية التفاوض على مساحة المعلمة الكبيرة التي تنتج عن بيانات تدريب قليلة جدًا. ومن هنا جاءت "ميتا" في التعلم التلوي.

تتمثل إحدى المشكلات الرئيسية في نماذج التعلم ذات اللقطات القليلة في أنها يمكن أن تفرط بسهولة في بيانات التدريب ، حيث إنها تحتوي في كثير من الأحيان على مساحات عالية الأبعاد. يؤدي تحديد مساحة المعلمة للنموذج إلى حل هذه المشكلة ، وبينما يمكن تحقيقها من خلال تطبيق تقنيات التنظيم واختيار وظائف الخسارة المناسبة ، يمكن أن يؤدي استخدام خوارزمية المعلم إلى تحسين أداء نموذج قليل اللقطات بشكل كبير.

سيسعى نموذج مصنف تعليمي قليل اللقطات (نموذج الطالب) إلى التعميم بناءً على الكمية الصغيرة من بيانات التدريب التي يتم توفيرها بها ، ويمكن أن تتحسن دقته مع نموذج المعلم لتوجيهه عبر مساحة المعلمة عالية الأبعاد. يشار إلى هذه البنية العامة باسم المتعلم الفوقي "القائم على التدرج".

العملية الكاملة لتدريب المتعلم الفوقي القائم على التدرج هي كما يلي:

1. قم بإنشاء نموذج المتعلم الأساسي (المعلم)
2. قم بتدريب نموذج المتعلم الأساسي على مجموعة الدعم
3. احصل على توقعات إرجاع المتعلم الأساسي لمجموعة الاستعلام
4. تدريب المتعلم الفوقي (الطالب) على الخسارة الناتجة عن خطأ التصنيف

الاختلافات في التعلم التلوي

التعلم التلوي الحيادي النموذج هي طريقة مستخدمة لزيادة أسلوب التعلم التلوي الأساسي القائم على التدرج اللوني الذي تناولناه أعلاه.

كما غطينا أعلاه ، يستخدم المتعلم الفوقي القائم على التدرج الخبرة السابقة التي اكتسبها نموذج المعلم لضبط نفسه و تقديم تنبؤات أكثر دقة لكمية صغيرة من بيانات التدريب. ومع ذلك ، فإن البدء بالمعلمات التي تمت تهيئتها عشوائيًا يعني أن النموذج لا يزال بإمكانه احتواء البيانات بشكل زائد. من أجل تجنب ذلك ، يتم إنشاء المتعلم الفوقي "الحيادي للنموذج" من خلال الحد من تأثير نموذج المعلم / النموذج الأساسي. بدلاً من تدريب نموذج الطالب مباشرة على الخسارة للتنبؤات التي قدمها نموذج المعلم ، يتم تدريب نموذج الطالب على الخسارة من أجل تنبؤاته الخاصة.

لكل حلقة من تدريب المتعلم التلوي الحيادي النموذج:

1. يتم إنشاء نسخة من نموذج المتعلم الفوقي الحالي.
2. يتم تدريب النسخة بمساعدة النموذج الأساسي / نموذج المعلم.
3. تقوم النسخة بإرجاع تنبؤات لبيانات التدريب.
4. يتم استخدام الخسارة المحسوبة لتحديث المتعلم الفوقي.

متري التعلم

مناهج التعلم المتري لتصميم نموذج تعليمي قليل اللقطات عادة ما تنطوي على ال استخدام مقاييس المسافة الأساسية لإجراء مقارنات بين العينات في مجموعة البيانات. تُستخدم خوارزميات التعلم المتري مثل مسافة جيب التمام لتصنيف عينات الاستعلام بناءً على تشابهها مع العينات الداعمة. بالنسبة لمصنف الصور ، قد يعني هذا مجرد تصنيف الصور بناءً على تشابه الخصائص السطحية. بعد تحديد مجموعة دعم من الصور وتحويلها إلى متجه تضمين ، يتم إجراء نفس الشيء مع مجموعة الاستعلام ثم تتم مقارنة قيم المتجهين ، مع تحديد المصنف الفئة التي تحتوي على القيم الأقرب لمجموعة الاستعلام المتجه .

الحل الأكثر تقدمًا المستند إلى المقاييس هو "شبكة نموذجية". تقوم الشبكات النموذجية بتجميع نقاط البيانات معًا التي تجمع بين نماذج التجميع والتصنيف القائم على القياس الموضح أعلاه. كما هو الحال في K-mean clustering ، يتم حساب النقط الوسطى للمجموعات للفئات في مجموعات الدعم والاستعلام. ثم يتم تطبيق مقياس المسافة الإقليدية لتحديد الفرق بين مجموعات الاستعلام والنقاط الوسطى لمجموعة الدعم ، وتعيين مجموعة الاستعلام لأي فئات مجموعة الدعم الأقرب.

معظم مناهج التعلم الأخرى قليلة اللقطات هي مجرد اختلافات في التقنيات الأساسية المذكورة أعلاه.

طلبات التعلم قليل اللقطات

للتعلم البسيط تطبيقات في العديد من المجالات الفرعية المختلفة لعلوم البيانات، مثل رؤية الكمبيوتر، ومعالجة اللغات الطبيعية، والروبوتات، والرعاية الصحية، ومعالجة الإشارات.

تتضمن تطبيقات التعلم قليل اللقطات في مساحة رؤية الكمبيوتر التعرف الفعال على الأحرف ، وتصنيف الصور ، والتعرف على الأشياء ، وتتبع الكائن ، والتنبؤ بالحركة ، وتوطين الحركة. تتضمن تطبيقات معالجة اللغة الطبيعية للتعلم بلقطات قليلة الترجمة وإكمال الجملة وتصنيف هدف المستخدم وتحليل المشاعر وتصنيف النص متعدد التسميات. يمكن استخدام القليل من التعلم في مجال الروبوتات لمساعدة الروبوتات على التعرف على المهام من خلال عدد قليل من العروض التوضيحية ، مما يتيح للروبوتات تعلم كيفية تنفيذ الإجراءات والتحرك والتنقل في العالم من حولهم. يعد اكتشاف الأدوية بجرعات قليلة من المجالات الناشئة في مجال الرعاية الصحية بالذكاء الاصطناعي. أخيرًا ، يحتوي التعلم بلقطات قليلة على تطبيقات لمعالجة الإشارات الصوتية ، وهي عملية تحليل بيانات الصوت ، والسماح لأنظمة الذكاء الاصطناعي باستنساخ الأصوات بناءً على عدد قليل من عينات المستخدم أو تحويل الصوت من مستخدم إلى آخر.